Python 应用掩码以加速各种阵列计算

我有一个

np.ndarray

，数字表示感兴趣的点，我对值为1和9的点感兴趣

目前，它们正被提取出来：

maskindex.append(np.where(extract.variables['mask'][0] == 1) or np.where(megadatalist[0].variables['mask'][0] == 9))

xval = maskindex[0][1]
yval = maskindex[0][0]

Average_List = np.mean([megadatalist[i].variables['analysed_sst'][0] for i in range(0,Numbers_of_datasets)], axis=0)
Average_Error_List = np.mean([megadatalist[i].variables['analysis_error'][0] for i in range(0,Numbers_of_datasets)], axis=0)
Std_List     = np.std([megadatalist[i].variables['analysed_sst'][0] for i in range(0,Numbers_of_datasets)], axis=0)
Maximum_List = np.maximum.reduce([megadatalist[i].variables['analysed_sst'][0] for i in range(0,Numbers_of_datasets)])
Minimum_List = np.minimum.reduce([megadatalist[i].variables['analysed_sst'][0] for i in range(0,Numbers_of_datasets)])

我需要将这些x和y值应用于我正在操作的阵列，以加快速度

我有140个数组，每个都是734 x 1468，我需要为每个字段计算平均值、最大值、最小值和标准值。我希望有一种简单的方法可以应用屏蔽阵列来加速操作，现在我只是在整个阵列上这样做：

maskindex.append(np.where(extract.variables['mask'][0] == 1) or np.where(megadatalist[0].variables['mask'][0] == 9))

xval = maskindex[0][1]
yval = maskindex[0][0]

Average_List = np.mean([megadatalist[i].variables['analysed_sst'][0] for i in range(0,Numbers_of_datasets)], axis=0)
Average_Error_List = np.mean([megadatalist[i].variables['analysis_error'][0] for i in range(0,Numbers_of_datasets)], axis=0)
Std_List     = np.std([megadatalist[i].variables['analysed_sst'][0] for i in range(0,Numbers_of_datasets)], axis=0)
Maximum_List = np.maximum.reduce([megadatalist[i].variables['analysed_sst'][0] for i in range(0,Numbers_of_datasets)])
Minimum_List = np.minimum.reduce([megadatalist[i].variables['analysed_sst'][0] for i in range(0,Numbers_of_datasets)])

---

任何关于如何加快速度的想法都将受到高度赞赏

我可能已经解决了部分问题，这取决于你的目标。以下代码将阵列arr减少为仅具有相关标记的1d阵列。然后，您可以在不考虑不需要的位置的情况下进行所需的计算

arr = np.array([[0,9,9,0,0,9,9,1],[9,0,1,9,0,0,0,1]])
target = [1,9] # wanted values
index = np.where(np.in1d(arr.ravel(), target).reshape(arr.shape))

no_zeros = arr[index]

在这个阶段，“您所需要的”是在“index”中给出的索引上重新插入具有适当形状的零数组上的值“no_zero”。一种方法是展平索引数组并重新计算索引，以便它们与展平的arr数组匹配。然后使用numpy.insert（np.zeroes（arr.shape）、new_索引、no_zeroes），然后再将形状重塑为适当的形状。整形在numpy中是恒定时间。诚然，我还没有找到一种快速的方法来创建新的索引数组

---

希望有帮助。

是的。对不起，我就是不知道该怎么办！